CN112580917B - 一种客户特征的评估方法及装置 - Google Patents
一种客户特征的评估方法及装置 Download PDFInfo
- Publication number
- CN112580917B CN112580917B CN201910944727.8A CN201910944727A CN112580917B CN 112580917 B CN112580917 B CN 112580917B CN 201910944727 A CN201910944727 A CN 201910944727A CN 112580917 B CN112580917 B CN 112580917B
- Authority
- CN
- China
- Prior art keywords
- client
- feature
- preset
- target
- validity detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title description 6
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 53
- 238000004891 communication Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种客户特征的评估方法及装置,属于计算机技术领域。所述方法包括:获取目标客户对应的待评估的客户特征;根据所述目标客户对应的客户基准信息,判断所述客户特征是否满足预设的有效性检测条件,所述客户基准信息至少包括所述目标客户对应的实际风险系数和/或预测特征,所述预测特征根据预先训练的特征预测模型和所述目标客户的客户资料数据得到;如果所述客户特征满足所述有效性检测条件,则确定所述客户特征为有效特征;如果所述客户特征不满足所述有效性检测条件,则确定所述客户特征为无效特征。采用本申请可以对客户特征进行评估。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种客户特征的评估方法及装置。
背景技术
目前在互联网信贷领域中,通常需要对客户进行风险预测,比如预测客户是否会发生逾期行为。在进行风险预测时,通常需要从外部机构中获取具有风险区分能力的客户特征,根据这些客户特征来进行风险预测。外部机构提供的客户特征主要有补充信息量和标记风险的作用,通过将这些客户特征引入使用方自己现有的风险策略体系或者风险预测模型中,有助于提高风险预测的准确性。
然而,这种方式中,外部机构提供的客户特征可能会存在一些问题。一方面是外部机构提供的客户特征通常是较为简单的信息,比如客户等级等,无法判断其使用价值,另一方面是外部机构通常是通过对底层数据进行分析得到客户特征,当某客观因素可能导致底层数据发生变化时,对客户特征的准确度也会存在影响。这些都会影响客户特征的有效性,因此,亟需一种对客户特征进行评估的方案。
发明内容
本申请实施例的目的在于提供一种客户特征的评估方法及装置,以实现对客户特征进行评估。具体技术方案如下:
第一方面,提供了一种客户特征的评估方法,所述方法包括:
获取目标客户对应的待评估的客户特征;
根据所述目标客户对应的客户基准信息,判断所述客户特征是否满足预设的有效性检测条件,所述客户基准信息至少包括所述目标客户对应的实际风险系数和/或预测特征,所述预测特征根据预先训练的特征预测模型和所述目标客户的客户资料数据得到;
如果所述客户特征满足所述有效性检测条件,则确定所述客户特征为有效特征;
如果所述客户特征不满足所述有效性检测条件,则确定所述客户特征为无效特征。
可选的,所述有效性检测条件至少包括以下一种或多种:
所述客户特征与所述目标客户对应的实际风险系数的第一相关度大于第一预设阈值;
所述客户特征与所述目标客户对应的预测特征的第二相关度小于第二预设阈值。
可选的,所述根据所述目标客户对应的客户基准信息,判断所述客户特征是否满足预设的有效性检测条件,包括:
计算所述客户特征与所述目标客户对应的实际风险系数的第一相关度;
如果所述第一相关度大于第一预设阈值,则计算所述客户特征与所述目标客户对应的预测特征的第二相关度;
如果所述第二相关度小于第二预设阈值,则确定所述客户特征满足预设的有效性检测条件;
如果所述第二相关度大于或等于所述第二预设阈值,则确定所述客户特征不满足预设的有效性检测条件。
可选的,所述如果所述第二相关度小于第二预设阈值,则确定所述客户特征满足预设的有效性检测条件,包括:
如果所述第二相关度小于第二预设阈值,则判断所述客户特征对应的资源消耗值是否在预设数值范围内;
如果所述客户特征对应的资源消耗值在预设数值范围内,则确定所述客户特征满足预设的有效性检测条件。
可选的,所述方法还包括:
获取所述目标客户对应的客户资料数据:
将所述客户资料数据输入预先训练的特征预测模型,输出所述目标客户对应的预测特征。
可选的,所述方法还包括:
获取预设的训练样本集,所述训练样本集包含多个样本资料数据、以及每个样本资料数据对应的样本客户特征,每个样本资料数据包含多种参数信息;
根据所述训练样本集和预设的模型训练算法,对初始模型进行训练,得到特征预测模型,所述特征预测模型中包含每种参数信息对应的权重。
可选的,所述方法还包括:
获取所述特征预测模型包含的所述每种参数信息对应的权重;
输出所述每种参数信息、以及所述每种参数信息对应的权重。
第二方面,提供了一种客户特征的评估装置,所述装置包括:
第一获取模块,用于获取目标客户对应的待评估的客户特征;
判断模块,用于根据所述目标客户对应的客户基准信息,判断所述客户特征是否满足预设的有效性检测条件,所述客户基准信息至少包括所述目标客户对应的实际风险系数和/或预测特征,所述预测特征根据预先训练的特征预测模型和所述目标客户的客户资料数据得到;
第一确定模块,用于如果所述客户特征满足所述有效性检测条件,则确定所述客户特征为有效特征;
第二确定模块,用于如果所述客户特征不满足所述有效性检测条件,则确定所述客户特征为无效特征。
可选的,所述有效性检测条件至少包括以下一种或多种:
所述客户特征与所述目标客户对应的实际风险系数的第一相关度大于第一预设阈值;
所述客户特征与所述目标客户对应的预测特征的第二相关度小于第二预设阈值。
可选的,所述判断模块,具体用于:
计算所述客户特征与所述目标客户对应的实际风险系数的第一相关度;
如果所述第一相关度大于第一预设阈值,则计算所述客户特征与所述目标客户对应的预测特征的第二相关度;
如果所述第二相关度小于第二预设阈值,则确定所述客户特征满足预设的有效性检测条件;
如果所述第二相关度大于或等于所述第二预设阈值,则确定所述客户特征不满足预设的有效性检测条件。
可选的,所述判断模块,具体用于:
如果所述第二相关度小于第二预设阈值,则判断所述客户特征对应的资源消耗值是否在预设数值范围内;
如果所述客户特征对应的资源消耗值在预设数值范围内,则确定所述客户特征满足预设的有效性检测条件。
可选的,所述装置还包括:
第二获取模块,用于获取所述目标客户对应的客户资料数据:
第一输出模块,用于将所述客户资料数据输入预先训练的特征预测模型,输出所述目标客户对应的预测特征。
可选的,所述装置还包括:
第三获取模块,用于获取预设的训练样本集,所述训练样本集包含多个样本资料数据、以及每个样本资料数据对应的样本客户特征,每个样本资料数据包含多种参数信息;
训练模块,用于根据所述训练样本集和预设的模型训练算法,对初始模型进行训练,得到特征预测模型,所述特征预测模型中包含每种参数信息对应的权重。
可选的,所述装置还包括:
第四获取模块,用于获取所述特征预测模型包含的所述每种参数信息对应的权重;
第二输出模块,用于输出所述每种参数信息、以及所述每种参数信息对应的权重。
第三方面,提供了一种终端设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述的方法步骤。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的客户特征的评估方法。
本申请实施例有益效果:
本申请实施例提供了一种客户特征的评估方法及装置,可以获取目标客户对应的待评估的客户特征,然后根据目标客户对应的客户基准信息,判断客户特征是否满足预设的有效性检测条件,客户基准信息至少包括目标客户对应的实际风险系数和/或预测特征,预测特征根据预先训练的特征预测模型和目标客户的客户资料数据得到。如果客户特征满足有效性检测条件,则确定客户特征为有效特征;如果客户特征不满足有效性检测条件,则确定客户特征为无效特征。基于本方案,可以对客户特征的有效性进行评估,为技术人员选择客户特征提供了数据支持。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种客户特征的评估方法的流程图;
图2为本申请实施例提供的一种客户特征的评估方法的示例的流程图;
图3为本申请实施例提供的一种客户特征的评估装置的结构示意图;
图4为本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种客户特征的评估方法,可以应用于终端设备。其中,该终端设备可以是任意具有数据处理功能的设备。如图1所示,本申请实施例提供的客户特征的评估方法具体可以包括以下步骤。
步骤101,获取目标客户对应的待评估的客户特征。
本申请实施例中,待评估的客户特征可以是外部机构提供的客户特征。具体的,可以预先获取多个客户的客户资料数据,其中,该客户资料数据可以包含客户的姓名、年龄、工作类型、居住地等。然后可以将该客户资料数据给外部机构,以使外部机构反馈该客户资料数据对应的客户特征。这样,可以得到客户数据集,该客户数据集可以包含每个客户的客户资料数据和客户特征。终端设备可以存储该客户数据集,并从客户数据集中获取某一客户(即目标客户)的客户资料数据和客户特征。其中,获取的客户特征即待评估的客户特征。
另外,还可以获取每个客户的实际交易行为,比如是否已产生逾期、是否已有借贷行为等,根据客户的实际交易行为,确定客户的实际风险系数。例如,实际风险系数为1表示客户存在逾期行为,实际风险系数为0表示客户不存在逾期行为。具体的实现方式可以是多种多样的,技术人员可以根据实际情况进行设置,本申请实施例不做限定。
步骤102,根据目标客户对应的客户基准信息,判断客户特征是否满足预设的有效性检测条件。
本申请实施例中,终端设备中可以预先存储有各客户对应的客户基准信息。客户基准信息可以至少包括目标客户对应的实际风险系数和/或预测特征。其中,预测特征是根据预先训练的特征预测模型和目标客户的客户资料数据得到。预测特征的获得过程、以及特征预测模型的训练过程后续会进行详细说明。客户基准信息还可以包含其他信息,具体可以由技术人员根据需求进行设置,本申请实施例不做限定。
终端设备获取到待评估的客户特征后,可以获取目标客户对应的客户基准信息,然后,根据目标客户对应的客户基准信息,判断客户特征是否满足预设的有效性检测条件。
可选的,有效性检测条件至少包括以下一种或多种:客户特征与目标客户对应的实际风险系数的第一相关度大于第一预设阈值、客户特征与目标客户对应的预测特征的第二相关度小于第二预设阈值。
本申请实施例中,终端设备可以判断该客户特征是否满足上述有效性检测条件,如果上述有效性检测条件全部满足,则可以确定该客户特征为有效特征;如果上述有效性检测条件中的任一有效性检测条件不满足,则确定该客户特征为无效特征。
其中,对于有效性检测条件包括多个条件的情况,各条件的判断顺序的可以不区分先后,或者,也可以按照预设顺序进行判断。本申请实施例提供了一种判断过程的示例,具体包括以下步骤。
步骤一、计算客户特征与目标客户对应的实际风险系数的第一相关度。
本申请实施例中,终端设备可以先计算客户特征与目标客户对应的实际风险系数的相关度(即第一相关度)。在一个示例中,可以计算客户特征与实际风险系数的相关系数,该相关系数可以反映客户特征与实际风险系数的相关程度。其中,采用现有技术中的任意相关系数计算公式均可以应用于本申请实施例中,比如协方差公式,本申请实施例不做限定。
步骤二、如果第一相关度大于第一预设阈值,则计算客户特征与目标客户对应的预测特征的第二相关度。
本申请实施例中,终端设备可以判断第一相关度是否大于第一预设阈值。如果第一相关度小于第一预设阈值,则说明客户特征与实际风险系数的相关程度低,该客户特征不能够真实的反映客户风险性,该客户特征不满足有效性检测条件。如果第一相关度大于或等于第一预设阈值,则说明客户特征与实际风险系数的相关程度高,该客户特征能够真实的反映客户风险性,该客户特征可能为有效特征。此时,终端设备需要进一步计算客户特征与目标客户对应的预测特征的第二相关度。其中,第二相关度的计算方式与第一相关度计算方式相同或类似。
步骤三、如果第二相关度小于第二预设阈值,则确定客户特征满足预设的有效性检测条件。
本申请实施例中,终端设备可以判断第二相关度是否大于第二预设阈值。如果第二相关度小于第二预设阈值,则说明该客户特征为通过特征预测模型不能够预测到的特征,为不易获得的特征,该客户特征满足有效性检测条件。
步骤四、如果第二相关度大于或等于第二预设阈值,则确定客户特征不满足预设的有效性检测条件。
本申请实施例中,如果第二相关度大于或等于第二预设阈值,则说明该客户特征为通过特征预测模型能够预测到的特征,为易获得的特征,该客户特征不满足有效性检测条件。
可选的,如果第二相关度小于第二预设阈值,终端设备还可以进一步判断客户特征对应的资源消耗值是否在预设数值范围内。如果客户特征对应的资源消耗值在预设数值范围内,则确定客户特征满足预设的有效性检测条件。
本申请实施例中,如果第二相关度小于第二预设阈值,则终端设备可以进一步判断该客户特征是否需要消耗过多资源。具体的,终端设备可以判断该客户特征对应的资源消耗值是否在预设数值范围内(比如0~50)。其中,该预设数值范围可以由技术人员进行设定。如果该客户特征对应的资源消耗值在预设数值范围内,则确定客户特征满足预设的有效性检测条件。如果该客户特征对应的资源消耗值不在预设数值范围,则可以确定该客户特征不满足预设的有效性检测条件。在另一种实现方式中,如果该客户特征对应的资源消耗值超过预设数值范围,则终端设备可以输出预设的提示信息,该提示信息可以包括该客户特征的具体信息,还可以包含该客户特征的检测结果,比如该客户特征满足的有效性检测条件、以及不满足的有效性检测条件,以使技术人员可以通过该提示信息进一步确定该客户特征是否为有效特征。
步骤103,如果客户特征满足有效性检测条件,则确定客户特征为有效特征。
步骤104,如果客户特征不满足有效性检测条件,则确定客户特征为无效特征。
可选的,终端设备还可以根据该外部机构提供的参与评估的客户特征的总数目、以及评估出的有效特征的数目,计算该外部机构的有效特征比率,从而可以根据该有效特征比率对该外部机构进行评估。
本申请实施例中,可以获取目标客户对应的待评估的客户特征,然后根据目标客户对应的客户基准信息,判断客户特征是否满足预设的有效性检测条件,客户基准信息至少包括目标客户对应的实际风险系数和/或预测特征,预测特征根据预先训练的特征预测模型和目标客户的客户资料数据得到。如果客户特征满足有效性检测条件,则确定客户特征为有效特征;如果客户特征不满足有效性检测条件,则确定客户特征为无效特征。基于本方案,可以对客户特征的有效性进行评估,为技术人员选择客户特征提供了数据支持。
可选的,终端设备获得预测特征的过程可以为:获取目标客户对应的客户资料数据:将客户资料数据输入预先训练的特征预测模型,输出目标客户对应的预测特征。
本申请实施例中,终端设备中可以存储有预先训练的特征预测模型。其中,该特征预测模型可以通过神经网络模型、机器学习模型、深度学习模型等实现。终端设备获取到目标客户对应的客户资料数据后,可以将该客户资料数据输入该特征预测模型,该特征预测模型则会输出目标客户对应的预测特征。
其中,特征预测模型的训练过程可以包括以下步骤。
步骤一、获取预设的训练样本集。
其中,训练样本集包含多个样本资料数据、以及每个样本资料数据对应的样本客户特征,每个样本资料数据包含多种参数信息。
本申请实施例中,终端设备可以获取预设的训练样本集。在一种实现方式中,终端设备获取到客户数据集后,可以将该客户数据集划分为训练样本集和测试集。终端设备可以先通过训练样本集训练特征预测模型,在得到特征预测模型后,再通过测试集中的数据对该外部机构提供的客户特征进行评估。
步骤二、根据训练样本集和预设的模型训练算法,对初始模型进行训练,得到特征预测模型,特征预测模型中包含每种参数信息对应的权重。
本申请实施例中,终端设备可以将训练样本集包含的各样本输入对初始模型,并通过预设的模型训练算法对该初始模型进行训练,得到特征预测模型。对于不同类型的初始模型,其模型训练算法也不相同。在确定初始模型后,可以通过该模型对应的训练算法进行训练,具体的训练过程本申请实施例不再赘述。由于本申请实施例中,样本资料数据包含多种参数信息,比如客户的姓名、年龄、工作类型、居住地等。因此,在训练的过程中,会通过模型训练算法调整模型中各参数信息的权重。当模型训练完成后,各参数信息的权重则可以确定下来。参数信息的权重可以反映该参数信息在确定预测特征时的重要程度。
可选的,终端设备还可以获取特征预测模型包含的每种参数信息对应的权重,然后输出每种参数信息、以及每种参数信息对应的权重。
本申请实施例中,终端设备对特征预测模型训练完成后,可以获取特征预测模型包含的每种参数信息对应的权重,然后输出每种参数信息、以及每种参数信息对应的权重,比如,通过显示设备显示每种参数信息、以及每种参数信息对应的权重,以使技术人员能够获知每种参数信息对应的权重,从而进行数据分析、数据汇总等相关工作。
本申请实施例还提供了一种客户特征的评估方法的示例,如图2所示,具体步骤如下。
步骤201,获取目标客户对应的待评估的客户特征、以及目标客户的客户资料数据。
步骤202,计算该客户特征与目标客户对应的实际风险系数的第一相关度。
步骤203,判断第一相关度是否大于第一预设阈值。
如果是,则执行步骤204。否则,执行步骤209。
步骤204,将客户资料数据输入预先训练的特征预测模型,输出目标客户对应的预测特征。
步骤205,计算客户特征与目标客户对应的预测特征的第二相关度。
步骤206,判断第二相关度是否小于第二预设阈值。
如果是,则执行步骤207。否则,执行步骤209。
步骤207,判断该客户特征对应的资源消耗值是否在预设数值范围内。
如果是,则执行步骤208。否则,执行步骤209。
步骤208,将该客户特征确定为有效特征。
步骤209,将该客户特征确定为无效特征。
其中,步骤204的处理过程与步骤202~203的处理过程也可以不区分先后顺序。
基于相同的技术构思,本申请实施例还提供了一种客户特征的评估装置,如图3所示,该装置包括:
第一获取模块310,用于获取目标客户对应的待评估的客户特征;
判断模块320,用于根据目标客户对应的客户基准信息,判断客户特征是否满足预设的有效性检测条件,客户基准信息至少包括目标客户对应的实际风险系数和/或预测特征,预测特征根据预先训练的特征预测模型和目标客户的客户资料数据得到;
第一确定模块330,用于如果客户特征满足有效性检测条件,则确定客户特征为有效特征;
第二确定模块340,用于如果客户特征不满足有效性检测条件,则确定客户特征为无效特征。
可选的,有效性检测条件至少包括以下一种或多种:
客户特征与目标客户对应的实际风险系数的第一相关度大于第一预设阈值;
客户特征与目标客户对应的预测特征的第二相关度小于第二预设阈值。
可选的,判断模块320,具体用于:
计算客户特征与目标客户对应的实际风险系数的第一相关度;
如果第一相关度大于第一预设阈值,则计算客户特征与目标客户对应的预测特征的第二相关度;
如果第二相关度小于第二预设阈值,则确定客户特征满足预设的有效性检测条件;
如果第二相关度大于或等于第二预设阈值,则确定客户特征不满足预设的有效性检测条件。
可选的,判断模块320,具体用于:
如果第二相关度小于第二预设阈值,则判断客户特征对应的资源消耗值是否在预设数值范围内;
如果客户特征对应的资源消耗值在预设数值范围内,则确定客户特征满足预设的有效性检测条件。
可选的,该装置还包括:
第二获取模块,用于获取目标客户对应的客户资料数据:
第一输出模块,用于将客户资料数据输入预先训练的特征预测模型,输出目标客户对应的预测特征。
可选的,该装置还包括:
第三获取模块,用于获取预设的训练样本集,训练样本集包含多个样本资料数据、以及每个样本资料数据对应的样本客户特征,每个样本资料数据包含多种参数信息;
训练模块,用于根据训练样本集和预设的模型训练算法,对初始模型进行训练,得到特征预测模型,特征预测模型中包含每种参数信息对应的权重。
可选的,该装置还包括:
第四获取模块,用于获取特征预测模型包含的每种参数信息对应的权重;
第二输出模块,用于输出每种参数信息、以及每种参数信息对应的权重。
本申请实施例提供了一种客户特征的评估装置,可以获取目标客户对应的待评估的客户特征,然后根据目标客户对应的客户基准信息,判断客户特征是否满足预设的有效性检测条件,客户基准信息至少包括目标客户对应的实际风险系数和/或预测特征,预测特征根据预先训练的特征预测模型和目标客户的客户资料数据得到。如果客户特征满足有效性检测条件,则确定客户特征为有效特征;如果客户特征不满足有效性检测条件,则确定客户特征为无效特征。基于本方案,可以对客户特征的有效性进行评估,为技术人员选择客户特征提供了数据支持。
基于相同的技术构思,本申请实施例还提供了一种终端设备,如图4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现如下步骤:
获取目标客户对应的待评估的客户特征;
根据所述目标客户对应的客户基准信息,判断所述客户特征是否满足预设的有效性检测条件,所述客户基准信息至少包括所述目标客户对应的实际风险系数和/或预测特征,所述预测特征根据预先训练的特征预测模型和所述目标客户的客户资料数据得到;
如果所述客户特征满足所述有效性检测条件,则确定所述客户特征为有效特征;
如果所述客户特征不满足所述有效性检测条件,则确定所述客户特征为无效特征。
可选的,所述有效性检测条件至少包括以下一种或多种:
所述客户特征与所述目标客户对应的实际风险系数的第一相关度大于第一预设阈值;
所述客户特征与所述目标客户对应的预测特征的第二相关度小于第二预设阈值。
可选的,所述根据所述目标客户对应的客户基准信息,判断所述客户特征是否满足预设的有效性检测条件,包括:
计算所述客户特征与所述目标客户对应的实际风险系数的第一相关度;
如果所述第一相关度大于第一预设阈值,则计算所述客户特征与所述目标客户对应的预测特征的第二相关度;
如果所述第二相关度小于第二预设阈值,则确定所述客户特征满足预设的有效性检测条件;
如果所述第二相关度大于或等于所述第二预设阈值,则确定所述客户特征不满足预设的有效性检测条件。
可选的,所述如果所述第二相关度小于第二预设阈值,则确定所述客户特征满足预设的有效性检测条件,包括:
如果所述第二相关度小于第二预设阈值,则判断所述客户特征对应的资源消耗值是否在预设数值范围内;
如果所述客户特征对应的资源消耗值在预设数值范围内,则确定所述客户特征满足预设的有效性检测条件。
可选的,所述方法还包括:
获取所述目标客户对应的客户资料数据:
将所述客户资料数据输入预先训练的特征预测模型,输出所述目标客户对应的预测特征。
可选的,所述方法还包括:
获取预设的训练样本集,所述训练样本集包含多个样本资料数据、以及每个样本资料数据对应的样本客户特征,每个样本资料数据包含多种参数信息;
根据所述训练样本集和预设的模型训练算法,对初始模型进行训练,得到特征预测模型,所述特征预测模型中包含每种参数信息对应的权重。
可选的,所述方法还包括:
获取所述特征预测模型包含的所述每种参数信息对应的权重;
输出所述每种参数信息、以及所述每种参数信息对应的权重。
上述终端设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一客户特征的评估方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一客户特征的评估方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种客户特征的评估方法,其特征在于,所述方法包括:
获取目标客户对应的待评估的客户特征;
根据所述目标客户对应的客户基准信息与所述客户特征的相关度,判断所述客户特征是否满足预设的有效性检测条件,所述客户基准信息为所述目标客户对应的实际风险系数和预测特征;获取所述预测特征的过程包括:获取所述目标客户对应的客户资料数据,将所述客户资料数据输入预先训练的特征预测模型,输出所述目标客户对应的预测特征;
如果所述客户特征满足所述有效性检测条件,则确定所述客户特征为有效特征;
如果所述客户特征不满足所述有效性检测条件,则确定所述客户特征为无效特征;
其中,所述有效性检测条件为:所述客户特征与所述目标客户对应的实际风险系数的第一相关度大于第一预设阈值,以及所述客户特征与所述目标客户对应的预测特征的第二相关度小于第二预设阈值;
所述根据所述目标客户对应的客户基准信息,判断所述客户特征是否满足预设的有效性检测条件,包括:计算所述客户特征与所述目标客户对应的实际风险系数的第一相关度;如果所述第一相关度大于第一预设阈值,则计算所述客户特征与所述目标客户对应的预测特征的第二相关度;如果所述第二相关度小于第二预设阈值,则确定所述客户特征满足预设的有效性检测条件;如果所述第二相关度大于或等于所述第二预设阈值,则确定所述客户特征不满足预设的有效性检测条件。
2.根据权利要求1所述的方法,其特征在于,所述如果所述第二相关度小于第二预设阈值,则确定所述客户特征满足预设的有效性检测条件,包括:
如果所述第二相关度小于第二预设阈值,则判断所述客户特征对应的资源消耗值是否在预设数值范围内;
如果所述客户特征对应的资源消耗值在预设数值范围内,则确定所述客户特征满足预设的有效性检测条件。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取预设的训练样本集,所述训练样本集包含多个样本资料数据、以及每个样本资料数据对应的样本客户特征,每个样本资料数据包含多种参数信息;
根据所述训练样本集和预设的模型训练算法,对初始模型进行训练,得到特征预测模型,所述特征预测模型中包含每种参数信息对应的权重。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述特征预测模型包含的所述每种参数信息对应的权重;
输出所述每种参数信息、以及所述每种参数信息对应的权重。
5.一种客户特征的评估装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标客户对应的待评估的客户特征;
判断模块,用于根据所述目标客户对应的客户基准信息与所述客户特征的相关度,判断所述客户特征是否满足预设的有效性检测条件,所述客户基准信息为所述目标客户对应的实际风险系数和预测特征;
第一确定模块,用于如果所述客户特征满足所述有效性检测条件,则确定所述客户特征为有效特征;
第二确定模块,用于如果所述客户特征不满足所述有效性检测条件,则确定所述客户特征为无效特征;
第二获取模块,用于获取所述目标客户对应的客户资料数据:
第一输出模块,用于将所述客户资料数据输入预先训练的特征预测模型,输出所述目标客户对应的预测特征;
其中,所述有效性检测条件为:所述客户特征与所述目标客户对应的实际风险系数的第一相关度大于第一预设阈值,以及所述客户特征与所述目标客户对应的预测特征的第二相关度小于第二预设阈值;
所述根据所述目标客户对应的客户基准信息,判断所述客户特征是否满足预设的有效性检测条件,包括:计算所述客户特征与所述目标客户对应的实际风险系数的第一相关度;如果所述第一相关度大于第一预设阈值,则计算所述客户特征与所述目标客户对应的预测特征的第二相关度;如果所述第二相关度小于第二预设阈值,则确定所述客户特征满足预设的有效性检测条件;如果所述第二相关度大于或等于所述第二预设阈值,则确定所述客户特征不满足预设的有效性检测条件。
6.根据权利要求5所述的装置,其特征在于,所述判断模块,具体用于:
如果所述第二相关度小于第二预设阈值,则判断所述客户特征对应的资源消耗值是否在预设数值范围内;
如果所述客户特征对应的资源消耗值在预设数值范围内,则确定所述客户特征满足预设的有效性检测条件。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取预设的训练样本集,所述训练样本集包含多个样本资料数据、以及每个样本资料数据对应的样本客户特征,每个样本资料数据包含多种参数信息;
训练模块,用于根据所述训练样本集和预设的模型训练算法,对初始模型进行训练,得到特征预测模型,所述特征预测模型中包含每种参数信息对应的权重。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第四获取模块,用于获取所述特征预测模型包含的所述每种参数信息对应的权重;
第二输出模块,用于输出所述每种参数信息、以及所述每种参数信息对应的权重。
9.一种终端设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944727.8A CN112580917B (zh) | 2019-09-30 | 2019-09-30 | 一种客户特征的评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944727.8A CN112580917B (zh) | 2019-09-30 | 2019-09-30 | 一种客户特征的评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580917A CN112580917A (zh) | 2021-03-30 |
CN112580917B true CN112580917B (zh) | 2024-04-05 |
Family
ID=75117311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910944727.8A Active CN112580917B (zh) | 2019-09-30 | 2019-09-30 | 一种客户特征的评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580917B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779271A (zh) * | 2015-11-23 | 2017-05-31 | 阿里巴巴集团控股有限公司 | 确定风险特征的方法及装置和账户风险评分方法及装置 |
CN107590159A (zh) * | 2016-07-08 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 机器人客服转人工客服的方法和装置 |
CN108985553A (zh) * | 2018-06-05 | 2018-12-11 | 中国平安人寿保险股份有限公司 | 一种异常用户的识别方法及设备 |
CN109214926A (zh) * | 2018-08-22 | 2019-01-15 | 泰康保险集团股份有限公司 | 基于区块链的理财产品推荐方法、装置、介质及电子设备 |
CN109272402A (zh) * | 2018-10-08 | 2019-01-25 | 深圳市牛鼎丰科技有限公司 | 评分卡的建模方法、装置、计算机设备及存储介质 |
CN109285075A (zh) * | 2017-07-19 | 2019-01-29 | 腾讯科技(深圳)有限公司 | 一种理赔风险评估方法、装置及服务器 |
CN109345391A (zh) * | 2018-10-17 | 2019-02-15 | 山东儒名投资集团有限公司 | 基于大数据分析的风险控制方法及系统 |
CN109635335A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 驾驶风险预测方法、装置、计算机设备及存储介质 |
CN109785117A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于神经网络的风控方法、计算机可读存储介质及服务器 |
CN109948051A (zh) * | 2019-02-21 | 2019-06-28 | 深圳投时科技有限公司 | 结合群体交易行为的内容推送方法、装置、服务器及系统 |
CN109949154A (zh) * | 2018-12-17 | 2019-06-28 | 深圳平安综合金融服务有限公司 | 客户信息分类方法、装置、计算机设备和存储介质 |
CN110135702A (zh) * | 2019-04-23 | 2019-08-16 | 上海淇玥信息技术有限公司 | 一种实时更新的还款积极度评估方法、装置、系统和记录介质 |
CN110191113A (zh) * | 2019-05-24 | 2019-08-30 | 新华三信息安全技术有限公司 | 一种用户行为风险评估方法及装置 |
CN110264340A (zh) * | 2019-06-12 | 2019-09-20 | 重庆无界领智普惠商务信息咨询有限公司 | 一种基于机器学习的p2p网贷客户信用评分方法及系统 |
CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278574A1 (en) * | 2013-03-14 | 2014-09-18 | Ernest W. BARBER | System and method for developing a driver safety rating |
US20150324715A1 (en) * | 2014-05-12 | 2015-11-12 | Jerald Scott Nelson | Logistics settlement risk scoring system |
-
2019
- 2019-09-30 CN CN201910944727.8A patent/CN112580917B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779271A (zh) * | 2015-11-23 | 2017-05-31 | 阿里巴巴集团控股有限公司 | 确定风险特征的方法及装置和账户风险评分方法及装置 |
CN107590159A (zh) * | 2016-07-08 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 机器人客服转人工客服的方法和装置 |
CN109285075A (zh) * | 2017-07-19 | 2019-01-29 | 腾讯科技(深圳)有限公司 | 一种理赔风险评估方法、装置及服务器 |
CN108985553A (zh) * | 2018-06-05 | 2018-12-11 | 中国平安人寿保险股份有限公司 | 一种异常用户的识别方法及设备 |
CN109214926A (zh) * | 2018-08-22 | 2019-01-15 | 泰康保险集团股份有限公司 | 基于区块链的理财产品推荐方法、装置、介质及电子设备 |
CN109272402A (zh) * | 2018-10-08 | 2019-01-25 | 深圳市牛鼎丰科技有限公司 | 评分卡的建模方法、装置、计算机设备及存储介质 |
CN109345391A (zh) * | 2018-10-17 | 2019-02-15 | 山东儒名投资集团有限公司 | 基于大数据分析的风险控制方法及系统 |
CN109635335A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 驾驶风险预测方法、装置、计算机设备及存储介质 |
CN109785117A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于神经网络的风控方法、计算机可读存储介质及服务器 |
CN109949154A (zh) * | 2018-12-17 | 2019-06-28 | 深圳平安综合金融服务有限公司 | 客户信息分类方法、装置、计算机设备和存储介质 |
CN109948051A (zh) * | 2019-02-21 | 2019-06-28 | 深圳投时科技有限公司 | 结合群体交易行为的内容推送方法、装置、服务器及系统 |
CN110135702A (zh) * | 2019-04-23 | 2019-08-16 | 上海淇玥信息技术有限公司 | 一种实时更新的还款积极度评估方法、装置、系统和记录介质 |
CN110191113A (zh) * | 2019-05-24 | 2019-08-30 | 新华三信息安全技术有限公司 | 一种用户行为风险评估方法及装置 |
CN110264340A (zh) * | 2019-06-12 | 2019-09-20 | 重庆无界领智普惠商务信息咨询有限公司 | 一种基于机器学习的p2p网贷客户信用评分方法及系统 |
CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于客户特征的精确化营销模式;边凌燕;《通信企业管理》;20121205(第12期);全文 * |
数据挖掘在金融行业的应用;数据挖掘在金融行业的应用;《数据挖掘在金融行业的应用》;20210525(第15期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112580917A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI759620B (zh) | 確定用戶金融違約風險的方法及裝置與電腦可讀儲存媒體及計算設備 | |
US8700418B2 (en) | Method and system for acquiring high quality non-expert knowledge from an on-demand workforce | |
CN108681915B (zh) | 一种点击率预估方法、装置及电子设备 | |
CN109190808B (zh) | 用户行为预测方法、装置、设备及介质 | |
Hoozée et al. | The Impact of Refinement on the Accuracy of Time‐driven ABC | |
CN111340244B (zh) | 预测方法、训练方法、装置、服务器及介质 | |
Cook | ROC curves and nonrandom data | |
JP2013058192A (ja) | 区画を評価するシステム、方法、及びコンピュータプログラム製品 | |
Dette et al. | Relevant change points in high dimensional time series | |
WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN108805332B (zh) | 一种特征评估方法和装置 | |
CN110827143A (zh) | 训练信用评分模型的方法、装置及设备 | |
CN109308660B (zh) | 一种征信评分模型评估方法、装置、设备及存储介质 | |
US9188968B2 (en) | Run-time characterization of on-demand analytical model accuracy | |
CN112580917B (zh) | 一种客户特征的评估方法及装置 | |
CN116151353B (zh) | 一种序列推荐模型的训练方法和对象推荐方法 | |
JP2015184818A (ja) | サーバ、モデル適用可否判定方法およびコンピュータプログラム | |
CN110634006B (zh) | 广告点击率的预测方法、装置、设备及可读存储介质 | |
JP2008305229A (ja) | 需要予測方法および装置 | |
CN110399803B (zh) | 一种车辆检测方法及装置 | |
Saisana et al. | Expert panel opinion and global sensitivity analysis for composite indicators | |
Brenden et al. | Statistical properties of the relative weight (W r) index and an alternative procedure for testing W r differences between groups | |
CN113298642A (zh) | 一种订单检测方法、装置、电子设备及存储介质 | |
CN112634050A (zh) | 股票风险预警方法、设备、存储介质及装置 | |
JP6570501B2 (ja) | 情報提供装置、情報提供方法、および情報提供プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |